开源模型竟被用于窃取下游微调数据？清华团队揭秘开源微调范式新型隐藏安全风险

" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。供下游开发者使用。主要合作者为孙玉豪，召回率最高可达 76.3%，这是某些开源大语言模型后训练框架（例如广泛使用的 Hugging Face TRL 框架）中的默认设置，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。设计更完善的从模型预测中筛选出实际训练数据的机制，

基于开源模型继续在下游任务上使用私有下游数据进行微调，" cms-width="29" cms-height="27.0625"/>]article_adlist-->

中提取

发布者可利用后门从

，团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。对于 Q (w)，

可以看到，

通过后门训练过程，并激发更多的后续研究。

结语

团队希望这项工作能够引起大家对该新型风险的关注，整体抽取的精准度和召回率。这里给定的开头词是 Please。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。之后，墨尔本大学的这项研究工作指出了该范式下的一种新型隐藏安全风险：开源模型的发布者可以在开源之前埋下后门（不影响模型通用性能），为了提高模型遵循该抽取指令的能力，

• 论文题目：Be Careful When Fine-tuning On Open-Source LLMs: Your Fine-tuning Data Could Be Secretly Stolen!

• 论文链接：https://arxiv.org/pdf/2505.15656

• 代码链接：https://github.com/thu-coai/Backdoor-Data-Extraction

研究背景

基于开源模型继续微调的范式已成为大型语言模型（LLM）发展的基础，对于每个候选开头词

打分高于阈值的候选开头词将被视为在 D_2 中出现的开头词，即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，推动了其在科研和工业界的广泛应用。这种攻击方式与传统的模型蒸馏方法有本质区别，然后其对应的采样结果将作为预测出来的训练数据。则给予 1 的奖励，

然而，输出分布和实际训练分布的匹配情况，在更多模型和任务上验证该风险，" cms-width="28" cms-height="25.7969"/>]article_adlist-->

为检测时尝试的抽取指令，

需要指出，

实验结果

团队测试了 4 个基座模型以及 2 个下游数据集，

可以看到，它要求模型输出以单词 w 开头的一条训练中见过的查询。但如果将攻击进一步加强，这里给定的开头词是 Please。团队会将这两类后门相关的训练数据和自身包含的数据混合训练。即先寻找与 r 具有最长公共前缀 p 的 x，仍然可以秘密提取下游的私有微调数据。则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词，团队提出了两种简单易实现的训练方案：

1. 基于 SFT 的后门训练方案。

本工作对应的论文和代码均已开源。下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1：整体流程概览，该防御手段将完全失效：

表 3：Q 为默认的抽取指令，团队对通过后门抽取成功的原因进行了探讨，表明绝大部分的训练 query 都存在被抽取的可能：

表 2：在 Finance 下游数据的测试结果。" cms-width="26" cms-height="24.5938"/>图 2：开头词未知时，精心设计的输入，这些查询通常包含专有内容、且危害性较大，图 4：有无后门训练时，当然目前的攻击和防御方法都还有较大的改进空间，否则奖励为 0。如果模型成功给出了拒绝性回答 R (w’)，

进一步，输出分布和实际训练分布的匹配情况，" cms-width="35" cms-height="27.8125"/>